[发明专利]一种基于RCCA-SVM的非线性模拟电路故障诊断方法

权利要求书

1.一种基于RCCA-SVM的非线性模拟电路故障诊断方法，其特征在于，包括以下步骤：

步骤A、电路仿真与特征数据采集，所述特征数据包括电压时域波形和频域特征；

步骤B、针对故障电路输出信号的电压时域波形，通过三层小波包分解，进而提取其能量特征与峭度特征集合；

步骤C、对故障电路输出信号的所有的特征数据，即能量特征、峭度特征和频域特征进行加权特征优化处理：

步骤C1、特征权重求解与筛选：对特征数据进行ReliefF算法运算，基于特征距离得到各个特征数据的权重值，根据设定的权重阈值，筛选留下权重值较大的特征数据，具体包括：

将非线性模拟电路故障的输出数据整理为一个矩阵，矩阵的每一列对应着一条故障数据：

X＝[x₁,x₂,...x_m]

其中x_i＝[x_i1,x_i2,...x_iN]^T,i＝0,1...m表示第i个样本的N个特征，m为模拟电路样本数；

对于任意一个样本x_i，先找出k个与x_i同类的最近的样本h_j，j＝1,2,...k，然后在每一个x_i与不同类的子集中找出k个最邻近的样本m_ij，j＝1,2...,k，l≠class(x_i)，设diff_hit是N*1的矩阵，表示h_j与x_i在特征上的差异，则该故障样本与同类最近故障样本的差异表示为：

设diff_miss是N×1矩阵,表示m_ij与x_i在特征上的差异，则该故障样本与最近的不同类故障样本的差异表示为：

其中P(l)为l类出现的概率，则：

Weight＝Weight-diff_hit/k+diff_miss/k

Weight定义为N*1的矩阵，表示各个特征的权重值；如此循环执行指定次数，得到每一个特征的权重值；

根据设定的权重值阈值u来选择第j个特征的舍弃：

其中W[A^l]为第l个特征的权重值，为第i个样本第l个特征的值，当其大于阈值u时，说明该特征的权重足够大，能够对电路诊断的影响较大，则应当保留该特征值；反之，则舍去，得到权重值较大特征的矩阵：

F＝[ee,kuu,fd]，

其中ee，kuu，fd分别为能量特征向量EE、峭度特征向量KUU、频域特征向量FD根据权重值筛选后的特征矩阵；

步骤C2、基于权重值优化CCA算法：根据步骤B中得到的能量特征与峭度值特征进行典型相关分析运算，得到加权后的模态间有关联典型相关特征向量集f_rcca；

步骤D、将步骤C中加权融合后的电路特征数据进行PCA降维：将得到的特征向量集f_rcca与加权频域特征并列表示为F_rcca，并对F_rcca进行PCA降维得到最终的特征数据；

步骤E、SVM分类：基于SVM分类器对步骤D得到的最终的特征数据进行训练，得到模拟故障电路的诊断精度值与诊断值。

2.根据权利要求1所述的基于RCCA-SVM的非线性模拟电路故障诊断方法，其特征在于：所述步骤A中，对电路仿真和特征数据采集时，采用以下方式：

(1)对非线性模拟电路进行仿真，根据灵敏度分析，得到其中影响度较大的元器件；并对影响度较大的元器件分别做单故障设置，以得到多种故障电路；

(2)对所有的故障电路和正常电路分别进行蒙特卡洛分析，对其输出的频域特征和电压时域波形进行采集，所述频域特征包括带宽、增益和中心频率，得到多组原始数据。